🎢 Parte 2: a lua de mel acaba — FLUX.1-dev, Ollama e ainda não é bem isso

Imagem gerada por IA de um bebê rindo usando um babador escrito Baby AI

🌐 Também em: English · Deutsch · Français · Español · Italiano · Nederlands · Polski

No meu último post eu estava, digamos, extremamente empolgado. Meu velho PC torre de repente estava gerando imagens a partir de prompts em alemão, rodando como um serviço systemd arrumadinho, com sua própria pequena interface web no estilo ChatGPT. Eu estava praticamente flutuando. Muitos prompts depois: a euforia esfriou um pouco. Não sumiu — mas bati numa parede sobre a qual vale a pena escrever, porque ela me ensinou algo importante sobre como esses modelos de imagem realmente funcionam por baixo do capô.

⚙️ O que mudamos desde a última vez

Aconteceram dois upgrades:

  • FLUX.1-schnell → FLUX.1-dev. O “Schnell” é a versão “destilada” do FLUX, otimizada para velocidade, com 4 passos — rápida (~1 min/imagem), mas visivelmente frouxa em detalhes e na fidelidade ao prompt. O FLUX.1-dev usa ~20 passos e um node extra de “guidance”, trocando velocidade (~2-3 min/imagem) por resultados mais nítidos e fotorrealistas e por seguir melhor as instruções.
  • Ollama + qwen2.5 (7B) adicionados como pré-processador de prompts. É um LLM separado, só de texto, que agora fica antes do FLUX no pipeline. Meus prompts curtos em alemão são traduzidos e expandidos automaticamente em descrições detalhadas em inglês (ângulo de câmera, iluminação, estilo) antes de o FLUX sequer vê-los — porque a compreensão de texto do FLUX foi treinada principalmente com legendas longas e detalhadas em inglês, não com “Auto am Strand, Vorderansicht”.

A esperança: modelo base melhor + prompts melhores = resultados visivelmente melhores e mais controláveis em geral. 🤞

✅ A boa notícia: coisas simples agora ficam realmente ótimas

Para pedidos diretos do tipo “gere uma imagem de X”, essa combinação é legitimamente boa. Meu teste de sempre — “um Honda S2000 dourado na praia, vista frontal” — voltou como uma foto frontal de verdade de um S2000 dourado numa praia, bem iluminada, parecendo anúncio de carro. Inclusive respeitando a instrução de ponto de vista, o que as tentativas anteriores simplesmente... não faziam. Então: texto para imagem, em alemão, para cenas relativamente simples? 👍 Funciona bem.

❌ A má notícia: fazer mudanças específicas/direcionadas numa imagem não funciona bem

Mas é aqui que mora meu caso de uso real: não quero só imagens novas aleatórias — quero pegar uma imagem existente e aplicar mudanças específicas e direcionadas. “Faça o dragão cuspir fogo azul.” “Mude este carro para vermelho.” “Coloque óculos escuros nesta pessoa.” Esse tipo de coisa. E é aqui que as rodas ainda saem. O pipeline img2img que montamos funciona com um único controle de “quanto isso deve mudar” (denoise strength), e o trade-off é brutal:

  • Denoise baixo → a mudança pedida quase nem aparece
  • Denoise alto → recebo uma imagem completamente diferente que se encaixa vagamente no novo prompt, mas a composição original, a pose, as cores — basicamente tudo o que eu queria manter — some

Não existe meio-termo em que “mantenha a imagem, só mude esta única coisa” realmente aconteça. Ou é “nada mudou” ou “imagem nova, RIP original”. 😬 Isso, sendo franco, ainda não é comparável ao que o ChatGPT ou o Grok fazem quando você envia uma imagem e pede uma edição direcionada — aquilo parece edição de verdade. O que tenho agora parece mais “jogar os dados de novo, mas viciando os dados um pouco”.

🤔 E onde isso deixa o requisito?

Ainda em aberto, sinceramente. O upgrade para FLUX.1-dev + Ollama foi uma melhoria real para geração — melhor compreensão de prompts, mais detalhe, entrada em alemão tratada com elegância. Mas meu objetivo original — “enviar uma foto, dizer o que mudar, receber a mesma foto com aquela única coisa mudada” — ainda não está resolvido. Pelo que entendo, isso provavelmente exige um tipo de ferramenta totalmente diferente — algo feito especificamente para edição baseada em instruções (masking/inpainting, ou modelos dedicados de “edit”), em vez do img2img genérico baseado em denoise que usamos agora. Essa é a próxima toca do coelho. 🐇 Mais sobre isso quando eu (ou melhor, meu copiloto de IA) descobrir.


📚 Mais nesta série: rodando minha própria IA

Alguns textos e imagens deste site foram criados com a ajuda de IA ou gerados por IA. Detalhes